曾溢良， 藍金輝， 鄒金霖

(北京科技大學(xué) 自動化學(xué)院， 北京 100083)

滑動置信度約束的紅外弱小目標跟蹤算法研究

曾溢良， 藍金輝， 鄒金霖

(北京科技大學(xué) 自動化學(xué)院， 北京 100083)

為了提高紅外視頻弱小目標的跟蹤精度，提出了滑動置信度約束的弱小目標跟蹤方法。在快速自適應(yīng)中值濾波的紅外圖像背景抑制技術(shù)的基礎(chǔ)上，設(shè)計了正交變換和置信域約束的軌跡預(yù)測，利用加權(quán)參數(shù)增強目標函數(shù)的收斂性能，提高下一位置初的預(yù)測準確度；通過軌跡相鄰點的位置差計算搜索窗口的大小，搜索與之相匹配的特征點進行關(guān)聯(lián)處理，完成對初預(yù)測點的篩選；以滑動軌跡置信度檢驗為準則判決軌跡的真實性，并進行目標軌跡更新以實現(xiàn)對弱小目標的準確跟蹤。通過紅外弱小目標視頻對所提算法進行了實驗驗證，結(jié)果表明,該算法對紅外弱小目標的跟蹤軌跡誤差有較小的均方偏差與均方差，在噪聲消除和對圖像整體信息保護方面都具有良好的性能。

信息處理技術(shù)； 紅外小目標； 目標識別； 目標跟蹤； 背景抑制

Abstract: The infrared dim-small target has a small portion of image pixel and low SNR, which makes it difficult to detect and track the target especially in noise and clutter. A dim-small target tracking method with fixed template sliding confidence constraint, on the basis of the fast adaptive median filter to suppress the infrared background, is presented. A prediction of trajectory with orthogonal transformation and confidence region is proposed. Weighted parameters are used to enhance the convergence of target function and the prediction accuracy of the next position. The size of sliding search window is calculated from the position difference of the adjacent points on trajectory to search the matched feature point with the predicted position in the next frame and make further parallel processing. The trajectory sliding confidence is used to verify the authenticity of trajectory and update the target trajectory for accurate tracking. The proposed algorithm is tested with infrared dim-small target video. The results show that the proposed method shows better performance in target tracking with lower mean square error deviation and mean square error. Furthermore, the good performance of noise elimination and image information protection also verifies the effectiveness of the algorithm.

Key words: information processing technology; infrared dim-small target; target detection; target tracking; background suppression

0 引言

隨著科技水平的不斷提高，具有全天候晝夜工作、靈敏度高、動態(tài)分辨率大等優(yōu)點的智能化紅外成像系統(tǒng)備受關(guān)注[1]，在預(yù)警系統(tǒng)、精確制導(dǎo)、目標跟蹤等軍事系統(tǒng)中得到了廣泛應(yīng)用[2]。但是由于紅外成像系統(tǒng)的探測距離遠、成像目標小，同時存在背景噪聲，使紅外圖像弱小目標的檢測與跟蹤成為技術(shù)難題之一。因此，國內(nèi)外研究者在該領(lǐng)域開展了深入研究。每年國際光學(xué)工程學(xué)會都會組織一次關(guān)于弱小目標的信號與數(shù)據(jù)處理會議，探討弱小目標(特別是紅外小目標)檢測的新技術(shù)[3]。美國、俄羅斯、法國等國已經(jīng)開發(fā)并裝備了基于紅外成像技術(shù)的武器系統(tǒng)，包括美國的“響尾蛇”、“海爾法”和“標槍”導(dǎo)彈，以及英國、法國、德國等國聯(lián)合研制的“崔格特”導(dǎo)彈等，用于紅外小目標的檢測與跟蹤[4]。

經(jīng)過多年的深入研究，紅外弱小目標檢測和跟蹤技術(shù)伴隨著應(yīng)用領(lǐng)域的不斷需求而不斷地發(fā)展并提高，并形成了較多研究成果[5-7]。常見的目標跟蹤算法可以分為兩類，即“基于模板匹配的跟蹤”[8-9](基于模型驅(qū)動(Model-driven)的方法)和“基于濾波、數(shù)據(jù)估計的跟蹤”[10-11](基于數(shù)據(jù)驅(qū)動(Data-driven)的方法)。前者主要依靠目標特征提取、目標模型建立、模板匹配、相似度度量等技術(shù)對跟蹤過程中圖像的假設(shè)目標位置進行評估，尋找最佳匹配結(jié)果。后者首先依據(jù)不同情況建立目標的運動數(shù)學(xué)方程，利用數(shù)據(jù)估計方法進行紅外目標的運動狀態(tài)預(yù)測，然后采用粒子濾波等方法提取真實目標，這類算法的本質(zhì)是基于離散非線性動態(tài)系統(tǒng)的序列概率推理[12]。由于復(fù)雜環(huán)境中的紅外圖像目標面積小，同時背景中包含大量噪聲和雜波，信噪比較低，給目標檢測和跟蹤算法帶來了極大的挑戰(zhàn)。因此，如何對小目標進行準確的檢測與穩(wěn)定的跟蹤，仍是該領(lǐng)域的技術(shù)瓶頸問題之一。

本文提出滑動置信度約束的弱小目標跟蹤方法，采用快速自適應(yīng)中值濾波的紅外圖像背景抑制技術(shù)來消除噪聲干擾、提高圖像信噪比；在目標檢測的基礎(chǔ)上，利用紅外成像弱小目標運動軌跡近似直線的特點，通過加權(quán)選取分割圖像的候選目標，進行正交變換與置信度約束的曲線擬合位置預(yù)測，采用滑動限制搜索進行軌跡關(guān)聯(lián)，并結(jié)合置信度檢驗準則實現(xiàn)目標跟蹤，以有效解決當前算法對紅外弱小目標跟蹤效果差、軌跡偏差大的問題。

1 置信度約束的紅外弱小目標跟蹤方法

1.1 快速自適應(yīng)紅外背景抑制算法

中值濾波算法是20世紀70年代提出的一種非線性空域濾波器。其基本處理方式是將像素點采用周邊區(qū)域(3×3或者5×5)的像素值進行中值處理，用得到的中值替代原來圖像中的像素值，從而有效地去除一些突變的噪聲點或者由于紅外成像造成的壞點，實現(xiàn)圖像小范圍的平滑處理。由于中值濾波算法結(jié)構(gòu)簡單，很適合圖像的去噪處理。

設(shè)有1個一維序列f1,f2,f3,…,fn，取該滑動窗口點數(shù)為m(m為奇數(shù))，對該序列的中值進行濾波，需要從序列中連續(xù)取出m個數(shù)fi-v,…,fi-1,fi,fi+1,…,fi+v(fi為窗口中心點，v=(m-1)/2)。將這m個值進行排序，取出中間值，即為濾波器的輸出。數(shù)學(xué)公式為

yi=med{fi-v,…,fi-1,fi,fi+1,…,fi+v}，

(1)

式中：i∈Z.

二維中值濾波可以用(2)式表示：

yi=med{fij}.

(2)

中值濾波主要依賴其窗口的大?。捍翱谠酱?，越能保留圖像自身的細節(jié)，但是會造成處理速度過慢；窗口太小，則會在一定程度上破壞圖像信息。同時，對于背景圖像變化平緩的圖像，濾波也比較有限。

因此，本文采用一種快速自適應(yīng)中值濾波算法，通過對圖像的整體分布，對中值處理窗口進行改進?？焖僦兄蹬判虻闹饕枷肴缦拢菏紫葘⒚恳涣羞M行升序排列，然后分別取第1行的最大值、第2行的中值和第3行的最小值，最后取它們的中值，就可以得到整個3×3窗口內(nèi)9個像素的中值。實現(xiàn)過程如圖1所示。

圖1 快速中值排序Fig.1 Fast median ranking

每列3個數(shù)的一次升序排列，需要比較的次數(shù)為3×3=9次，傳統(tǒng)的排序算法需要進行9×3+3=30次比較運算，而快速中值排列算法僅需要進行9×2+3=21次比較運算。該快速排序算法可擴展到n×n的窗口，執(zhí)行一次快速中值算法需要進行運算的次數(shù)大大減少。例如，5×5的窗口，傳統(tǒng)的算法需要進行運算的次數(shù)為234次，快速算法需要進行運算的次數(shù)為110次，比原來減少了近一半。隨著窗口維數(shù)的增加，傳統(tǒng)算法所需比較次數(shù)迅速增加，而快速算法所需次數(shù)增加的速度明顯較小。

快速自適應(yīng)中值濾波算法通過在濾波窗口使用上述快速排序算法計算出最大、最小和中值，并對這些值進行判斷。如果其中值和像素點均在最大和最小值范圍內(nèi)，則認為圖像沒有明顯變化，同時沒有明顯的噪聲點和壞點，因此不需要用中值替換原像素點；如果原像素不在該范圍內(nèi)，則說明在中心點出現(xiàn)明顯變化，因此需要用中值替換原像素點；如果兩個值均不在最大和最小值范圍內(nèi)，則需要擴大濾波窗口，直至找到中心點且中值有一點出現(xiàn)在最大和最小值范圍內(nèi)為止。

1.2 滑動置信度約束的軌跡估計跟蹤方法

1.2.1 置信度約束的軌跡預(yù)測

弱小目標在空間中的運動是連續(xù)有規(guī)律的，對其運動軌跡進行預(yù)測，可大大提高弱小目標跟蹤的可靠性和速度。

設(shè)目標軌跡為T，依據(jù)目標運動軌跡連續(xù)性假設(shè)，結(jié)合得到的k個順序時刻軌跡點的位置(xT,yT)建立目標的運動軌跡方程，并利用固定距離模板預(yù)測k+1時刻目標的位置坐標(xk+1,yk+1)。

以軌跡點的x坐標為例進行說明，y坐標同理。

對于已知的k組目標軌跡觀測數(shù)據(jù)

[(x1,y1),(x2,y2),…,(xk,yk)]，

(3)

建立一組依賴于L個參數(shù)的曲線模型

gk=xk+1=f(xk;a1,a2,…,aL)，

(4)

通過計算實際值與逼近值之間的總體誤差函數(shù)，可以得到對應(yīng)a1,a2,…,aL參數(shù)擬合的目標函數(shù)為

minε2=[f(xk;a1,a2,…,aL)-gk]2.

(5)

設(shè)誤差方程矩陣為C∈RK×L，向量y∈RK，參數(shù)向量a∈RN，剩余向量ε∈RN，可以將(5)式簡化為

ε=Ca-y.

(6)

由于正交矩陣變換能夠使迭代過程中的系數(shù)矩陣條件數(shù)降低、有效提高數(shù)值穩(wěn)定性，本文將(6)式進行正交變化，得到

(7)

式中：Q∈RK×K為正交矩陣；U∈R(K-L)×K為正規(guī)上三角矩陣；0∈RL×L為全零矩陣。

引入置信度作為約束條件，以建立全局收斂的估計模型，保證計算結(jié)果能夠分布在可信區(qū)域內(nèi)。因此，目標函數(shù)(5)式可以轉(zhuǎn)化為二次準則目標函數(shù)

(8)

式中：r=x-xk；ρ>0為置信域半徑[13]。在置信域算法中，根據(jù)模型函數(shù)ε(r)來調(diào)整gk的擬合程度置信域半徑，如果置信域定得過小則容易使當前點偏離最優(yōu)點，如果置信域定得過大則可能導(dǎo)致二次準則的估計模型不準確。

(9)

又因為加權(quán)殘差與加權(quán)誤差方程關(guān)系為

(10)

式中：S為殘差靈敏度矩陣；r為加權(quán)殘差量；I為單位矩陣。根據(jù)文獻[13]，可以得到置信度約束下誤差估計的極值條件為

(11)

根據(jù)上述模型，可以對每個樣本按照正交變換和置信域法進行狀態(tài)估計。由于該方法在從誤差方程到正規(guī)方程的過渡過程中使C的條件數(shù)自乘，從而使得到的參數(shù)值誤差較小。

1.2.2 匹配過程

隨著目標位置點與預(yù)測點距離的增加，預(yù)測點的置信度會降低，相互的關(guān)聯(lián)度也將下降。為了提高預(yù)測精度，本文采用固定距離模板進行遞推滑動匹配，并計算軌跡匹配點的置信度。

在成像高幀頻系統(tǒng)，弱小目標在圖像序列中近似為勻速直線運動，即可表示為

(12)

式中：k、l表示不同時刻；vx、vy分別表示x軸、y軸方向的速度。設(shè)累加幀數(shù)為K、最大幀間速度為vmax，假設(shè)目標軌跡的當前位置為(xk，yk)、預(yù)測位置為(ik+1，jk+1)，在下一幀圖像中的可能匹配點位置為(xk+α，yk+β)，則α和β為整數(shù)，其可能取值為[-Kvmax/2，Kvmax/2]. 具體情況如下：

dx1=Ti·xk-Ti·xk-1，
dy1=Ti·yk-Ti·yk-1.

下面分5種情況討論：

1)若dx1≥Kvmax/2+1，則α∈[-Kvmax/2+1，Kvmax/2]；

2)若dx1≤-1-Kvmax/2，則α∈[-Kvmax/2，Kvmax/2+1]；

3)若dy1≥Kvmax/2+1，則β∈[-Kvmax/2+1，Kvmax/2]；

4)若dy1≤-1-Kvmax/2，則β∈[-Kvmax/2，Kvmax/2+1]；

5)其余情況，α∈[-Kvmax/2+1，Kvmax/2-1]，β∈[-Kvmax/2+1，Kvmax/2-1].

針對第K幀圖像中軌跡Ti的預(yù)測位置(predx,predy)，在其對應(yīng)的K+l幀圖像中的對應(yīng)搜索窗內(nèi)，選取滿足夾角相容條件時距離最近的點作為軌跡Ti在K+1幀中的位置點。夾角相容條件為

[(i-x)2+(j-y)2]×[α2+β2]<
2[(i-x)α+(j-y)β]2.

(13)

若存在這樣的匹配點，則Ti.Age+1，Ti.MatchNum+1，Ti.MatchFalg=1，Ti.ConLostNum=0，軌跡Ti的記錄更新。

圖2 搜索窗口匹配示意圖Fig.2 Schematic diagram of search window

1.2.3 滑動軌跡置信度檢驗

對于紅外視頻中弱小目標軌跡跟蹤檢驗，本文采用基于固定模板滑動軌跡置信度方法[14]，根據(jù)目標虛警率和檢測概率確定置信度高低門限ΔH與ΔL.

在這里，利用以下公式構(gòu)建滑動軌跡置信度，并作為判斷軌跡輸出或刪除的準則：

(14)

當軌跡Ti.ConLostNum≥m時，刪除該軌跡Ti. 當軌跡Ti.Age≥T時，計算軌跡置信度，再分別考慮：當Δ>ΔH時，將Ti確定為檢測出的輸出軌跡；當Δ<ΔL時，刪除該軌跡；當Δ介于兩個閾值區(qū)間內(nèi)時，繼續(xù)觀測。

2 實驗結(jié)果與分析

2.1 背景抑制結(jié)果及分析

圖3是不同背景下目標的濾波效果，其中左邊為受到噪聲污染的原始紅外圖像，右邊為采用本文算法處理后的圖像。由圖3可見，本文算法能夠有效地從模糊圖像中剔除噪聲的影響，提高了紅外圖像的信噪比，降低了圖像的噪聲對后續(xù)處理算法的影響。

為了驗證本文算法的性能，綜合利用紅外圖像的信噪比、峰值信噪比以及噪聲抑制因子評價各種噪聲平滑算法的性能。各性能指標的定義如(15)式～(17)式所示。

信噪比

(15)

式中：f(x,y)為原始圖像；f′(x,y)為噪聲平滑后的圖像；M和N為圖像的行列數(shù)。

圖3 濾波實驗效果圖Fig.3 Results of filtering experiment

峰值信噪比

(16)

式中：Q為圖像量化的級數(shù)；PSNR越大，表示圖像的失真度越小。

噪聲抑制因子

IN=Bi/Bo，

(17)

式中：Bi和Bo分別為圖像噪聲平滑前和平滑后的標準差；IN越大，說明算法的噪聲抑制效果就越好。

表1為中值濾波、時域平均濾波以及快速自適應(yīng)中值濾波算法的性能比較。

由表1可知，本文采用的快速自適應(yīng)中值濾波算法在信噪比、峰值信噪比和噪聲抑制因子3個評價指標中的參數(shù)值比中值濾波算法和時域平均濾波算法的效果好，在噪聲消除和對圖像整體信息保護方面都具有良好的性能。

表1 不同算法的性能比較

2.2 軌跡預(yù)測跟蹤結(jié)果及分析

為了驗證本文所提軌跡估計算法的性能，使用真實環(huán)境下拍攝的圖像序列對所提算法的性能進行測試，所采用的圖像分辨率為320×240. 圖4所示為跟蹤示意圖，圖中的紅色表示捕獲的目標，綠色曲線表示目標的軌跡。從圖4中可知，該系統(tǒng)對干擾遮擋過后的目標能夠重新捕獲并跟蹤，并且短暫的誤檢測對目標的軌跡沒有影響，表明本系統(tǒng)能有效穩(wěn)定地完成紅外目標跟蹤任務(wù)。

圖4 軌跡跟蹤示意圖Fig.4 Schematic diagram of trajectory tracking

實驗中，小目標的初始位置通過小目標檢測方法確定。為了驗證軌跡預(yù)測的性能，利用有誤檢測目標和無誤檢測目標兩組復(fù)雜環(huán)境中所檢測弱小目標的位置進行軌跡預(yù)測精度比較。

2.2.1 無誤檢測

圖5是行駛在道路中的車輛小目標檢測效果圖，圖5(a)為原始圖像，圖5(b)為檢測結(jié)果圖。在無誤檢測情況下軌跡預(yù)測算法性能測試的視頻中，目標檢測算法能夠準確檢測出共200個小目標的坐標點。

圖5 不同背景下車輛目標無誤檢測結(jié)果圖Fig.5 Vehicle target detection in different backgrounds

為了更好地展示軌跡估計跟蹤算法測試的效果，分別對目標位置坐標點的x軸坐標值和y軸坐標值進行預(yù)測，在采用相同數(shù)據(jù)的基礎(chǔ)上，3種算法的軌跡預(yù)測效果如圖6和圖7所示。圖中黑線表示每一幀圖像中車輛目標的真實位置，紅線表示本文算法預(yù)測的目標軌跡線，藍線表示粒子濾波預(yù)測器預(yù)測出的目標軌跡線，綠線表示平方預(yù)測器計算出的目標軌跡線。

圖6 目標坐標點的x軸坐標值預(yù)測效果圖Fig.6 Predicted x-axis coordinate values of target

圖7 目標坐標點的y軸坐標值預(yù)測效果圖Fig.7 Predicted y-axis coordinate values of target

從圖6和圖7可知，在目標無誤檢測的視頻中，本文算法能準確預(yù)測出目標下一位置的坐標點，x坐標值和y坐標值與真實軌跡點的坐標值很相近。而粒子濾波預(yù)測器和平方預(yù)測器由于受到突變點和劇烈變化過程的影響，無法準確預(yù)測出目標的位置。

為了顯示各個預(yù)測算法的效果，依據(jù)獲得的紅外圖像序列，對每個算法的預(yù)測值和真實值采用均值偏差、均方差和處理時間3個參數(shù)進行比較。圖8和圖9分別顯示了3種算法在x軸和y軸兩個方向的預(yù)測值和真實值間的均值偏移量。

圖8 x軸坐標值與真實值的均值偏差效果圖Fig.8 Mean value error of x-axis coordinate value and truth value

圖9 y軸坐標值與真實值的均值偏差效果圖Fig.9 Mean value error of y-axis coordinate value and truth value

由圖8和圖9可知，本文算法的均值偏差和均方差都最小，分別為1 334和342.1，粒子濾波法其次，平方逼近法最大。

2.2.2 有誤檢測

圖10是弱防護車輛在道路中行駛時的視頻序列，其中弱小目標檢測算法有誤檢測。圖中檢測算法獲得的目標位置點出現(xiàn)偏差，并且在車輛行進中有障礙物遮擋車輛，使目標在短時間內(nèi)消失，遺失了目標的位置信息。該段視頻含有200個數(shù)據(jù)點，依據(jù)該目標軌跡數(shù)據(jù)基礎(chǔ)，針對3種算法在目標坐標點x軸和y軸方向的軌跡預(yù)測性能進行驗證，實驗效果如圖11和圖12所示。

圖10 樹葉遮擋下車輛目標檢測結(jié)果圖Fig.10 Detected results of vehicle target sheltered by leaves

圖11 目標坐標點的x軸坐標值預(yù)測效果圖Fig.11 Predicted x-axis coordinate values of target

圖12 目標坐標點的y軸坐標值預(yù)測效果圖Fig.12 Predicted y-axis coordinate values of target

由圖11和圖12可知，在目標誤檢測和遮擋的區(qū)域，本文算法可以很好地預(yù)測出目標的運動軌跡，并有效剔除誤檢測產(chǎn)生的突變點。而粒子濾波預(yù)測器和平方預(yù)測器由于目標誤檢測導(dǎo)致點坐標的突變，使預(yù)測值偏離實際位置較多、預(yù)測精度偏低，不能收斂于目標的準確位置。

圖13和圖14分別顯示了x軸和y軸方向的3種算法的均值偏移量效果。

圖13 x軸坐標值與真實值的均值偏差效果圖Fig.13 Mean value error of x-axis coordinate value and truth value

圖14 y軸坐標值與真實值的均值偏差效果圖Fig.14 Mean value error of y-axis coordinate value and truth value

由圖13和圖14可知，本文算法的均值偏差最小，粒子濾波預(yù)測算法和平方預(yù)測算法的偏差相近。

從有誤檢測目標視頻和無誤檢測目標視頻的實驗結(jié)果中可以明顯看出，由于誤檢測目標點或者軌跡突變點，導(dǎo)致粒子濾波預(yù)測算法和平方預(yù)測算法的軌跡預(yù)測誤差較大，難以準確預(yù)測出目標的下一位置。本文算法在有誤檢測和無誤檢測的情況下，都能實時并準確估計出目標的下一位置，實現(xiàn)紅外弱小目標的持續(xù)穩(wěn)定跟蹤。兩組實驗中，量測誤差最大的是平方軌跡估測，本文提出的滑動置信度約束的目標軌跡估計算法的量測誤差最小，并且魯棒性最強。

3 結(jié)論

復(fù)雜背景下紅外弱小目標探測與跟蹤技術(shù)在軍事、民用領(lǐng)域有著重大的應(yīng)用價值和廣泛應(yīng)用前景。本文研究了復(fù)雜背景下紅外弱小目標的檢測與跟蹤技術(shù)，在快速自適應(yīng)中值濾波的紅外圖像背景抑制技術(shù)的基礎(chǔ)上研究目標跟蹤算法，提出一種滑動置信度約束的軌跡估計的目標跟蹤算法，包括建立點目標的運動軌跡記錄、預(yù)測過程、滑動匹配過程和軌跡置信度檢驗，依據(jù)識別出的目標位置信息，對下一幀圖像中目標的位置進行預(yù)測估計，在有效降低目標跟蹤算法計算量的同時，提高紅外弱小目標跟蹤的正確率。實驗結(jié)果表明，該方法在均值偏差和均方差性能方面優(yōu)于粒子濾波預(yù)測法和平方預(yù)測法，有較好的跟蹤效果。

References)

[1] 藺向明. 基于紅外成像的小目標檢測技術(shù)研究[J]. 航空兵器, 2014(3):12-15. LIN Xiang-ming. Research on small target detecting algorithm based on IR imaging[J].Aero Weaponry, 2014(3):12-15. (in Chinese)

[2] Kim K, Davis L S.Object detection and tracking for intelligent video surveillance[J]. Measurement & Control Technology, 2008, 346(5):265-288.

[3] 林曉. 紅外小目標檢測與跟蹤技術(shù)研究[D].南京：南京航空航天大學(xué), 2013. LIN Xiao. Research on infrared small target detection and tracking technology[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2013.(in Chinese)

[4] 王瑞鳳,楊憲江,吳偉東.發(fā)展中的紅外熱成像技術(shù)[J]. 紅外與激光工程, 2008, 37(增刊2): 354-357. WANG Rui-feng, YANG Xian-jiang, WU Wei-dong. Development of infrared thermal imaging technology[J]. Infrared and Laser Engineering, 2008, 37(S2): 354-357. (in Chinese)

[5] Bai X Z, Zhou F G. Infrared dim small target enhancement and detection based on modified top-hat transformations [J]. Computers and Electrical Engineering, 2010, 36(6): 1193-1201.

[6] Yilmaz A, Shanfique K, Shah M. Target tracking in airborne forward looking infrared imagery[J]. Image Vision Computer, 2003,21(7):623-635.

[7] Braga-Neti U, Choudhary M, Goutsias J. Automatic target detection and tracking in forward-looking infrared image sequences using morphological connected opertors[J]. Journal of Eletronic Imaging, 2004, 13(4): 802-813.

[8] 蘇娟,楊羅,張陽陽. 基于輪廓片段匹配和圖搜索的紅外目標識別方法[J]. 兵工學(xué)報, 2015, 36(5):845-860. SU Juan, YANG Luo, ZHANG Yang-yang. Infrared target recognition algorithm based on contour fragment matching and graph searching[J]. Acta Armamentarii, 2015, 36(5):845-860.(in Chinese)

[9] Zhao D, Zhou H, Qin H, et al. Research on infrared target tracking adaptively based on second-order differential and template matching[C]//International Symposium on Optoelectronic Technology and Application. Beijing : International Society for Optics and Photonics, 2016.

[10] Qian K, Zhou H, Rong S, et al. Infrared dim-small target tracking via singular value decomposition and improved Kernelized correlation filter[J]. Infrared Physics & Technology, 2017, 82: 18-27.

[11] 鐘圣芳,張兵,盧煥章.一種基于動態(tài)規(guī)劃的點目標軌跡關(guān)聯(lián)算法[J]. 計算機測量與控制,2004,12(8):772-774. ZHONG Sheng-fang, ZHANG Bing, LU Huan-zhang. Track-association algorithm of point target based on dynamic programming[J]. Computer Measurement and Control, 2004,12(8):772-774.(in Chinese)

[12] Drummond O E. Small target detection from image sequences using recursive max filter[J]. Proceedings of SPIE-Signal and Data Processing of Small Targets, 1995, 2561:153-166.

[13] 盧志剛, 田莎莎, 邵奇, 等. 基于正交變換與置信域的量測方差估計與權(quán)重設(shè)置算法[J]. 電工技術(shù)學(xué)報, 2016, 31(21):67-74. LU Zhi-gang, TIAN Sha-sha, SHAO Qi, et al. Measurement variance estimation and weights configuration algorithm based on orthogonal transformation and trust region[J]. Transactions of China Electrotechnical Society, 2016, 31(21):67-74.(in Chinese)

[14] 李勐. 紅外序列圖象弱小運動目標檢測新方法研究[D]. 武漢：華中科技大學(xué), 2006. LI Meng. Research on novel detection algorithms for moving infrared dim small targets[D]. Wuhan: Huazhong University of Science and Technology, 2006.(in Chinese)

ResearchonInfraredDim-smallTargetTrackingAlgorithmwithTemplateSlidingConfidenceConstraint

ZENG Yi-liang, LAN Jin-hui, ZOU Jin-lin

(School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

TP391.413

A

1000-1093(2017)09-1771-08

10.3969/j.issn.1000-1093.2017.09.014

2017-06-14

武器裝備“十三五”預(yù)先研究基金項目(61404520101)；中國博士后科學(xué)基金項目(2016M600922)；中央高?；究蒲袠I(yè)務(wù)費專項資金項目(FRF-TP-15-117A1)； 高分辨率對地觀測系統(tǒng)重大專項項目(2015年)

曾溢良(1988—)， 男， 講師。 E-mail: ylzeng@ustb.edu.cn

藍金輝(1967—)， 女， 教授， 博士生導(dǎo)師。 E-mail: lanjh@ustb.edu.cn